IMDB-WIKI est un jeu de données à grande échelle pour l'estimation de l'âge et du genre faciaux, contenant 523 051 images de visages collectées à partir de l'Internet Movie Database (IMDB) et de Wikipédia. Chaque image est annotée avec une étiquette de genre et une valeur d'âge dérivée des métadonnées associées, telles que les dates de sortie des films ou les informations biographiques. Le jeu de données a été introduit en 2015 par les chercheurs Rasmus Rothe, Radu Timofte et Luc Van Gool à l'ETH Zurich, et il est devenu une référence standard pour évaluer les modèles de vision par ordinateur dans la reconnaissance des attributs démographiques.
Le jeu de données est remarquable par sa taille et sa diversité réelle, car les images proviennent de photos de célébrités et de portraits biographiques. Cependant, les étiquettes d'âge sont bruitées car elles sont estimées à partir de la différence entre la date de capture de l'image et la date de naissance du sujet, ce qui peut être inexact pour les photos plus anciennes ou lorsque la date de capture est inconnue. Malgré cela, IMDB-WIKI a joué un rôle déterminant dans l'avancement des approches d'apprentissage profond pour l'estimation de l'âge, servant souvent de corpus de pré-entraînement avant un ajustement fin sur des jeux de données plus propres.
Construction et annotation
Le jeu de données IMDB-WIKI a été construit en parcourant automatiquement les images d'IMDB et de Wikipédia. Pour IMDB, les images étaient associées à des acteurs et actrices, et l'âge était calculé comme la différence entre l'année de sortie du film et l'année de naissance de l'acteur. Pour Wikipédia, les images étaient liées à des pages biographiques, et l'âge était dérivé de la date de dernière modification de la page ou de la date de naissance du sujet. Le genre était attribué en fonction du sexe connu du sujet. Le jeu de données final comprend 460 723 images d'IMDB et 62 328 de Wikipédia, totalisant 523 051 images. Les visages ont été détectés à l'aide d'un détecteur de visages, et chaque image a été recadrée sur la région du visage, bien que certains recadrages contiennent des erreurs ou plusieurs visages.
Utilisation dans l'apprentissage profond
IMDB-WIKI est largement utilisé dans la communauté de l'apprentissage profond pour entraîner et évaluer des réseaux de neurones sur des tâches de classification d'âge et de genre. De nombreux modèles de pointe, y compris ceux basés sur des réseaux résiduels et d'autres architectures convolutionnelles, ont été pré-entraînés sur IMDB-WIKI. La grande échelle du jeu de données aide les modèles à apprendre des caractéristiques robustes pour l'apparence faciale, mais son bruit d'étiquetage nécessite souvent des fonctions de perte robustes ou des stratégies de nettoyage des données. Les chercheurs ont également utilisé IMDB-WIKI pour étudier les effets des erreurs d'estimation de l'âge, le décalage de domaine et l'équité entre les groupes démographiques.
Références et évaluation
IMDB-WIKI est couramment utilisé comme référence pour l'estimation de l'âge, avec des métriques telles que l'erreur absolue moyenne (MAE) et le score cumulatif. Le jeu de données est divisé en ensembles d'entraînement et de test, bien que la division officielle ne soit pas toujours cohérente entre les études. De nombreux articles rapportent des résultats sur l'ensemble de test IMDB-WIKI après un ajustement fin sur des jeux de données plus propres comme Adience ou UTKFace. Les étiquettes bruitées en font une référence difficile, et les modèles qui atteignent une faible MAE sur IMDB-WIKI généralisent souvent bien à d'autres tâches d'estimation de l'âge. La précision de la classification du genre sur IMDB-WIKI est également rapportée, dépassant généralement 95 % pour les modèles modernes.
Limites et considérations éthiques
Le jeu de données présente plusieurs limites. Les étiquettes d'âge sont bruitées et biaisées envers les célébrités, qui peuvent avoir des photos professionnelles et du maquillage différents de la population générale. Les étiquettes de genre sont binaires et ne tiennent pas compte des identités non binaires. De plus, le jeu de données a été collecté sans consentement explicite des individus, ce qui soulève des préoccupations en matière de confidentialité. Les chercheurs utilisant IMDB-WIKI doivent être conscients de ces problèmes et considérer les implications éthiques du déploiement de modèles entraînés sur celui-ci, en particulier dans des applications sensibles comme la surveillance ou le profilage démographique. Le jeu de données est disponible à des fins de recherche, mais son utilisation dans des produits commerciaux peut nécessiter un examen supplémentaire.
Jeux de données connexes et impact
IMDB-WIKI a inspiré plusieurs jeux de données de suivi, tels que les versions IMDB-Clean et Wiki-Clean qui filtrent les étiquettes bruitées, et il est souvent comparé au jeu de données Adience, qui a des groupes d'âge plus précis mais moins d'images. Le jeu de données a également été utilisé dans des études sur l'augmentation de données et l'apprentissage curriculaire pour améliorer la précision de l'estimation de l'âge. Son impact s'étend au-delà de la vision par ordinateur, car il a été utilisé dans la recherche en intelligence artificielle sur l'équité et les biais dans l'analyse faciale. Le jeu de données reste une ressource clé pour les chercheurs travaillant sur la reconnaissance des attributs démographiques, malgré ses limites connues.
Voir aussi
- apprentissage automatique
- vision par ordinateur
- reconnaissance faciale
Références
- Rothe, R., Timofte, R., & Van Gool, L. (2015). DEX: Deep EXpectation of apparent age from a single image. In Proceedings of the IEEE International Conference on Computer Vision Workshops.
- Rothe, R., Timofte, R., & Van Gool, L. (2016). Deep expectation of real and apparent age from a single image without facial landmarks. International Journal of Computer Vision.